Back to search

National and Kapodistrian University of Athens

Evaluation of three text-to-image Gen AI models

Abstract

dc:description

H διπλωματική εργασία εμβαθύνει στον τομέα αιχμής της Generative Artificial Intelligence (AI) εστιάζοντας στις εφαρμογές των γραφικών. Η μελέτη διερευνά διάφορες deep learning τεχνικές, συμπεριλαμβανομένων των Variational Autoencoders (VAEs), των Generative Adversarial Networks (GANs), των Diffusion Models και των Transformers. Αυτές οι μέθοδοι έχουν φέρει επανάσταση στον τομέα της Τεχνητής Νοημοσύνης, επιτρέποντας τη δημιουργία ρεαλιστικού και υψηλής ποιότητας περιεχομένου, που κυμαίνεται από εικόνες έως ολόκληρες σκηνές. Ακόμα, αναφέρουμε τέσσερα γνωστά μοντέλα παραγωγής εικόνων καθώς και τους τρόπους αξιολόγησης αυτού του είδους των μοντέλων (text-to-image). Ένα σημαντικό μέρος της εργασίας είναι αφιερωμένο στην εκτέλεση και αξιολόγηση τριών μοντέλων. Αρχικά, ορίζουμε τα τρία προς αξιολόγηση μοντέλα (DALL-E 2, Stable Diffusion, Pix-Art-α) και τις τρεις υπερπαράμετρους που χρησιμοποιούμε για την αξιολόγηση τους: κείμενο (prompt), πλάτος (width) και ύψος (height). Στην παράμετρο κειμένου εκχωρούνται τιμές από το πρωτόκολλο αναφοράς (benchmark) που προτείνουμε, ενώ τo ζευγάρι (πλάτος, ύψος) παίρνει τις τιμές (512, 512) και (1024, 1024). Τα μοντέλα εκτελούνται είτε μέσω κώδικα Python είτε τοπικά μέσω μιας διεπαφής για τη δημιουργία εικόνων. Δεύτερον, ορίζουμε ένα πρωτόκολλο αναφοράς με έξι τύπους εργασιών (coloring, conflicting, counting, text, positional, faces). Κάθε εργασία περιέχει 12 κείμενα (prompts), με αποτέλεσμα να έχουμε συνολικά 72 κείμενα (prompts). Το πρωτόκολλο αναφοράς μας βοηθά να συγκρίνουμε τις δυνατότητες και τους περιορισμούς των μοντέλων σε διαφορετικούς τομείς. Τρίτον, προτείνουμε δύο τρόπους για την αξιολόγηση των μοντέλων: ανθρώπινη αξιολόγηση και τη μετρική CLIP score. Επομένως, η αξιολόγηση αυτών των μοντέλων περιλαμβάνει τόσο την ποιοτική όσο και την ποσοτική διαδικασία. Τέλος, τα ευρήματα δείχνουν τον αντίκτυπο των μοντέλων τεχνητής νοημοσύνης στον τομέα των γραφικών, επιδεικνύοντας την ικανότητά τους να δημιουργούν νέο και πρωτότυπο περιεχόμενο, αλλά και αναγνωρίζοντας τους περιορισμούς τους σε ορισμένες περιπτώσεις.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Μαζαράκης Ευγένιος
  • Mazarakis Evgenios

Subjects

dc:subject × 2

Rights

Language dc:language
English

Identifiers

dc:identifier.*
Identifier
uoadl:3402874

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Μαζαράκης Ευγένιος; Mazarakis Evgenios. Evaluation of three text-to-image Gen AI models. 2024. https://pergamos.lib.uoa.gr/uoa/dl/object/3402874